La plateforme identifie, mélange et teste jusqu’à 700 nouveaux mélanges de polymères par jour pour des applications telles que la stabilisation des protéines, les électrolytes de batteries ou les matériaux de délivrance de médicaments.
Les scientifiques recherchent souvent de nouveaux matériaux dérivés de polymères. Plutôt que de partir de zéro dans leur recherche, ils gagnent du temps et de l’argent en mélangeant des polymères existants afin d’obtenir les propriétés souhaitées.
Mais identifier le meilleur mélange est un problème épineux. Non seulement le nombre de combinaisons possibles est pratiquement illimité, mais les polymères interagissent de manière complexe, ce qui rend difficile la prédiction des propriétés d’un nouveau mélange.
Afin d’accélérer la découverte de nouveaux matériaux, les chercheurs du MIT ont développé une plateforme expérimentale entièrement autonome capable d’identifier efficacement les mélanges de polymères optimaux.
Le flux de travail en boucle fermée utilise un algorithme puissant pour explorer un large éventail de mélanges de polymères potentiels, en fournissant une sélection de combinaisons à un système robotisé qui mélange les produits chimiques et teste chaque mélange.
Sur la base des résultats, l’algorithme décide des expériences à mener ensuite, poursuivant le processus jusqu’à ce que le nouveau polymère réponde aux objectifs de l’utilisateur.
Au cours des expériences, le système a identifié de manière autonome des centaines de mélanges qui surpassaient les polymères qui les composaient. Il est intéressant de noter que les chercheurs ont constaté que les mélanges les plus performants n’utilisaient pas nécessairement les meilleurs composants individuels.
« J’ai trouvé que cela confirmait la valeur de l’utilisation d’un algorithme d’optimisation qui prend en compte l’ensemble de l’espace de conception en même temps », indique Connor Coley, professeur adjoint chargé du développement de carrière de la promotion 1957 au département de génie chimique et de génie électrique et informatique du MIT, et auteur principal d’un article sur cette nouvelle approche. « Si vous prenez en compte l’ensemble de l’espace de formulation, vous pouvez potentiellement découvrir de nouvelles propriétés ou des propriétés améliorées. En utilisant une approche différente, vous pourriez facilement négliger les composants moins performants qui se trouvent être les éléments importants du meilleur mélange. »
Ce processus pourrait un jour faciliter la découverte de matériaux composés de mélanges de polymères qui conduiraient à des avancées telles que des électrolytes de batterie améliorés, des panneaux solaires plus rentables ou des nanoparticules sur mesure pour une administration plus sûre des médicaments.
Créer de meilleurs mélanges
Lorsque les scientifiques conçoivent de nouveaux mélanges de polymères, ils sont confrontés à un nombre quasi infini de polymères possibles. Une fois qu’ils en ont sélectionné quelques-uns à mélanger, ils doivent encore choisir la composition de chaque polymère et la concentration des polymères dans le mélange.
« Un espace de conception aussi vaste nécessite des solutions algorithmiques et des flux de travail à haut débit, car il est tout simplement impossible de tester toutes les combinaisons par la force brute », ajoute M. Coley.
Si les chercheurs ont étudié les flux de travail autonomes pour les polymères simples, peu de travaux se sont intéressés aux mélanges de polymères en raison de l’espace de conception considérablement plus vaste.
Dans cette étude, les chercheurs du MIT ont recherché de nouveaux mélanges hétéropolymères aléatoires, obtenus en mélangeant deux ou plusieurs polymères présentant des caractéristiques structurelles différentes. Ces polymères polyvalents se sont révélés particulièrement prometteurs pour la catalyse enzymatique à haute température, un processus qui augmente la vitesse des réactions chimiques.
Leur flux de travail en boucle fermée commence par un algorithme qui, en fonction des propriétés souhaitées par l’utilisateur, identifie de manière autonome une poignée de mélanges de polymères prometteurs.
Les chercheurs ont d’abord essayé un modèle d’apprentissage automatique pour prédire les performances des nouveaux mélanges, mais il était difficile de faire des prédictions précises dans un espace de possibilités astronomiquement vaste. Ils ont donc utilisé un algorithme génétique, qui utilise des opérations inspirées de la biologie, telles que la sélection et la mutation, pour trouver une solution optimale.
Leur système encode la composition d’un mélange de polymères dans ce qui est en fait un chromosome numérique, que l’algorithme génétique améliore de manière itérative afin d’identifier les combinaisons les plus prometteuses.
« Cet algorithme n’est pas nouveau, mais nous avons dû le modifier pour l’adapter à notre système. Par exemple, nous avons dû limiter le nombre de polymères pouvant être présents dans un matériau afin de rendre la découverte plus efficace », ajoute M. Wu.
De plus, l’espace de recherche étant très vaste, ils ont ajusté l’algorithme afin d’équilibrer son choix entre l’exploration (recherche de polymères aléatoires) et l’exploitation (optimisation des meilleurs polymères issus de la dernière expérience).
L’algorithme envoie 96 mélanges de polymères à la fois à la plateforme robotique autonome, qui mélange les produits chimiques et mesure les propriétés de chacun.
Les expériences visaient à améliorer la stabilité thermique des enzymes en optimisant l’activité enzymatique conservée (REA), une mesure de la stabilité d’une enzyme après avoir été mélangée à des mélanges de polymères et exposée à des températures élevées.
Ces résultats sont renvoyés à l’algorithme, qui les utilise pour générer un nouvel ensemble de polymères jusqu’à ce que le système trouve le mélange optimal.
Accélérer la découverte
La construction du système robotique a posé de nombreux défis, tels que le développement d’une technique permettant de chauffer uniformément les polymères et l’optimisation de la vitesse à laquelle l’embout de la pipette se déplace de haut en bas.
« Dans les plateformes de découverte autonomes, nous mettons l’accent sur les innovations algorithmiques, mais il existe de nombreux aspects détaillés et subtils de la procédure que vous devez valider avant de pouvoir vous fier aux informations qui en ressortent », commente M. Coley.
Lors des tests, les mélanges optimaux identifiés par leur système ont souvent surpassé les polymères qui les composaient. Le meilleur mélange global a obtenu des performances supérieures de 18 % à celles de chacun de ses composants individuels, atteignant un REA de 73 %.
« Cela indique qu’au lieu de développer de nouveaux polymères, nous pourrions parfois mélanger des polymères existants pour concevoir de nouveaux matériaux encore plus performants que les polymères individuels », explique M. Wu.
De plus, leur plateforme autonome peut générer et tester 700 nouveaux mélanges de polymères par jour et ne nécessite une intervention humaine que pour le remplissage et le remplacement des produits chimiques.
Bien que cette recherche se soit concentrée sur les polymères pour la stabilisation des protéines, leur plateforme pourrait être modifiée pour d’autres utilisations, comme le développement de nouveaux plastiques ou d’électrolytes pour batteries.
En plus d’explorer d’autres propriétés des polymères, les chercheurs souhaitent utiliser les données expérimentales pour améliorer l’efficacité de leur algorithme et développer de nouveaux algorithmes afin de rationaliser les opérations du manipulateur de liquides autonome.
« Sur le plan technologique, il est urgent d’améliorer la stabilité thermique des protéines et des enzymes. Les résultats présentés ici sont assez impressionnants. S’agissant d’une technologie de plateforme et compte tenu des progrès rapides de l’apprentissage automatique et de l’IA dans le domaine de la science des matériaux, on peut imaginer que cette équipe améliore encore les performances des hétéropolymères aléatoires ou optimise la conception en fonction des besoins et des utilisations finaux », conclut Ting Xu, professeur à l’université de Californie à Berkeley, qui n’a pas participé à ces travaux.
Coley est rejoint dans cet article par l’auteur principal Guangqi Wu, ancien post-doctorant du MIT et aujourd’hui boursier post-doctoral Marie Skłodowska-Curie à l’université d’Oxford, Tianyi Jin, étudiant diplômé du MIT, et Alfredo Alexander-Katz, professeur Michael et Sonja Koerner au département des sciences et de l’ingénierie des matériaux du MIT. Ce travail est publié aujourd’hui dans Matter.
Article : « Autonomous discovery of functional random heteropolymer blends through evolutionary formulation optimization » – DOI : 10.1016/j.matt.2025.102336
Source : MIT
